CN114936722B - 基于计算机辅助的液压泵滤油器清洗时间预测方法 - Google Patents
基于计算机辅助的液压泵滤油器清洗时间预测方法 Download PDFInfo
- Publication number
- CN114936722B CN114936722B CN202210856159.8A CN202210856159A CN114936722B CN 114936722 B CN114936722 B CN 114936722B CN 202210856159 A CN202210856159 A CN 202210856159A CN 114936722 B CN114936722 B CN 114936722B
- Authority
- CN
- China
- Prior art keywords
- hydraulic pump
- oil filter
- oil
- pump oil
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Fluid-Pressure Circuits (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电数字数据处理技术领域,具体涉及一种基于计算机辅助的液压泵滤油器清洗时间预测方法。该方法是一种特别适用于特定功能的数字数据处理方法,具体是液压泵滤油器状态数据处理,其利用了计算机对获取的待检测的液压泵滤油器在过去的设定时间段内的滤油速率序列、油箱油温序列、液压泵噪声的声音信号和当前使用时长进行辅助设计和处理,确定工况指标值,进而确定堵塞程度,从而确定下一次清洗待检测的液压泵滤油器的时间。本发明适用于大数据资源服务、数据库和云数据库服务等互联网数据服务,配置为相关的云计算软件、云端融合应用运行支撑平台软件等,比如与液压泵滤油器数据处理相关的云计算软件、云端融合应用运行支撑平台软件。
Description
技术领域
本发明涉及电数字数据处理技术领域,具体涉及一种基于计算机辅助的液压泵滤油器清洗时间预测方法。
背景技术
液压泵按照结构分为齿轮泵、柱塞泵、叶片泵和螺杆泵。对于作业机械而言,液压泵的功能是把动力机的机械能转换成液体的压力能,液压泵是液压系统中的重要动力来源,在整个液压系统中起到非常关键的作用,而液压泵滤油器是液压泵的众多元器件中最为关键的动力元器件之一,是靠发动机或是电动机驱动,从液压油箱中吸入油液,形成压力油排出,送到执行元器件的一种的元器件。随着液压泵滤油器的使用时间的不断增长,液压泵滤油器发生堵塞的可能性也在逐渐增大,若不对堵塞的液压泵滤油器进行清洗,会影响整个液压泵的工作效率,进而造成比较严重的经济损失。因此,及时地对堵塞的液压泵进行清洗并准确地预测出液压泵滤油器清洗时间是至关重要的。
现有技术通常是通过员工的经验设置固定的清洗周期,根据固定的清洗周期对液压泵滤油器进行周期性的清洗液压泵滤油器清洗时间,该方法不能及时的对发生堵塞的液压泵滤油器进行清洗,也就是预测液压泵滤油器清洗时间的准确性比较低。例如,当液压泵滤油器发生堵塞,但其发生堵塞的时间不在清洗周期内,所以不能对发生堵塞的液压泵滤油器进行清洗,其导致液压泵滤油器的工作效率降低;当液压泵滤油器没有发生堵塞,但其发生堵塞的时间在清洗周期内,需要对没有发生堵塞的液压泵滤油器进行清洗,其一定程度上浪费了人力资源。
发明内容
为了解决上述现有预测液压泵滤油器清洗时间的准确性低的问题,本发明的目的在于提供一种基于计算机辅助的液压泵滤油器清洗时间预测方法。
本发明提供一种基于计算机辅助的液压泵滤油器清洗时间预测方法,包括以下步骤:
获取待检测的液压泵滤油器在过去的设定时间段内的滤油速率序列、油箱油温序列、液压泵噪声的声音信号以及待检测的液压泵滤油器的当前使用时长;
根据待检测的液压泵滤油器在设定时间段内的油箱油温序列和液压泵噪声的声音信号,确定待检测的液压泵滤油器的工况指标值;
根据待检测的液压泵滤油器的工况指标值和在设定时间段内的滤油速率序列,确定待检测的液压泵滤油器的堵塞程度;
根据预先构建并训练好的液压泵滤油器清洗时间预测网络、待检测的液压泵滤油器的堵塞程度和当前使用时长,确定下一次清洗待检测的液压泵滤油器的时间。
进一步的,确定待检测的液压泵滤油器的工况指标值的步骤包括:
根据待检测的液压泵滤油器在设定时间段内的油箱油温序列,确定待检测的液压泵滤油器的油箱油温差异值;
根据待检测的液压泵滤油器在设定时间段内的液压泵噪声的声音信号,确定待检测的液压泵滤油器在设定时间段内的液压泵噪声的频域信号;
根据待检测的液压泵滤油器的油箱油温差异值、在设定时间段内的油箱油温序列、液压泵噪声的声音信号和液压泵噪声的频域信号,确定待检测的液压泵滤油器的工况指标值。
进一步的,确定待检测的液压泵滤油器的工况指标值的计算公式为:
其中,为待检测的液压泵滤油器的工况指标值,为待检测的液压泵滤油器在设定时间段内的液压泵噪声的频域信号构成的序列,为运作正常时液压泵滤油器在设定时间段内的液压泵噪声的频域信号构成的序列,为待检测的液压泵滤油器在设定时间段内的液压泵噪声的声音信号,为运作正常时液压泵滤油器在设定时间段内的液压泵噪声的声音信号,为待检测的液压泵滤油器在设定时间段内的油箱油温序列中第i个时刻的油箱油温,为运作正常时液压泵滤油器在设定时间段内的油箱油温序列中第i个时刻的油箱油温,为归一化后的待检测的液压泵滤油器的油箱油温差异值,I为待检测的液压泵滤油器在设定时间段内的油箱油温序列中的油箱油温的个数,为求均值函数,为余弦相似度函数,为动态时间规整函数。
进一步的,确定待检测的液压泵滤油器的油箱油温差异值的计算公式为:
其中,为待检测的液压泵滤油器的油箱油温差异值,为待检测的液压泵滤油器在设定时间段内的油箱油温序列中第i个时刻的油箱油温,为运作正常时液压泵滤油器在设定时间段内的油箱油温序列中第i个时刻的油箱油温,I为待检测的液压泵滤油器在设定时间段内的油箱油温序列中的油箱油温的个数,为修正系数。
进一步的,确定待检测的液压泵滤油器的堵塞程度的步骤包括:
根据待检测的液压泵滤油器在设定时间段内的滤油速率序列,确定待检测的液压泵滤油器的滤油稳定性指标值;
根据待检测的液压泵滤油器在设定时间段内的滤油速率序列、待检测的液压泵滤油器的滤油稳定性指标值和工况指标值,确定待检测的液压泵滤油器的堵塞程度。
进一步的,确定待检测的液压泵滤油器的堵塞程度的计算公式为:
其中,U为待检测的液压泵滤油器的堵塞程度,为待检测的液压泵滤油器在设定时间段内的滤油速率序列,为运作正常时液压泵滤油器在设定时间段内的滤油速率序列,Q为待检测的液压泵滤油器的滤油稳定性指标值,R为待检测的液压泵滤油器的工况指标值,为动态时间规整函数,为双曲线正切函数,为求均值函数。
进一步的,确定待检测的液压泵滤油器的滤油稳定性指标值的计算公式为:
其中,Q为待检测的液压泵滤油器的滤油稳定性指标值,为待检测的液压泵滤油器在设定时间段内的滤油速率序列中的第i-1个滤油速率,为待检测的液压泵滤油器在设定时间段内的滤油速率序列中的第i个滤油速率,I为待检测的液压泵滤油器在设定时间段内的滤油速率序列中的滤油速率的个数,为绝对值函数。
进一步的,构建并训练液压泵滤油器清洗时间预测网络的步骤包括:
构建液压泵滤油器清洗时间预测网络,并确定该液压泵滤油器清洗时间预测网络的损失函数;
获取液压泵滤油器在历史工作过程中的N个过去的设定时间段内的滤油速率序列、油箱油温序列、液压泵噪声的声音信号以及N个设定时间段对应的液压泵滤油器的当前使用时长和下一次清洗液压泵滤油器的时间;
根据液压泵滤油器在历史工作过程中的N个设定时间段内的滤油速率序列以及液压泵噪声的声音信号,确定N个设定时间段对应的液压泵滤油器的工况指标值;
根据液压泵滤油器在历史工作过程中的N个设定时间段对应的液压泵滤油器的工况指标值以及N个设定时间段内的滤油速率序列,确定N个设定时间段对应的液压泵滤油器的堵塞程度;
将N个设定时间段对应的液压泵滤油器的堵塞程度和当前使用时长作为液压泵滤油器清洗时间预测网络的训练样本,并将N个设定时间段对应的下一次清洗液压泵滤油器的时间作为对应训练样本的标签数据;
根据N个设定时间段对应的液压泵滤油器的油箱油温差异值、滤油稳定性指标值和当前使用时长,确定液压泵滤油器清洗时间预测网络的N个训练样本对应的可信程度指标值,并根据液压泵滤油器清洗时间预测网络的N个训练样本对应的可信程度指标值,对液压泵滤油器清洗时间预测网络的损失函数进行更新;
根据液压泵滤油器清洗时间预测网络的N个训练样本以及更新后的液压泵滤油器清洗时间预测网络的损失函数,对液压泵滤油器清洗时间预测网络进行训练,从而得到训练好的液压泵滤油器清洗时间预测网络。
进一步的,确定液压泵滤油器清洗时间预测网络的N个训练样本对应的可信程度指标值的计算公式为:
其中,C为液压泵滤油器清洗时间预测网络的每个训练样本对应的可信程度指标值,P为每个训练样本对应的归一化后的液压泵滤油器的油箱油温差异值,Q为每个训练样本对应的液压泵滤油器的滤油稳定性指标值,为每个训练样本对应的液压泵滤油器的滤油速率序列,为每个训练样本对应的运作正常时液压泵滤油器的滤油速率序列,为每个训练样本对应的液压泵滤油器的当前使用时长,为时间系数,为求均值函数。
本发明具有如下有益效果:
本发明提供了一种基于计算机辅助的液压泵滤油器清洗时间预测方法,该方法是一种适用于特定功能的数字数据处理方法,具体是通过对获取的待检测的液压泵滤油器在过去的设定时间段内的滤油速率序列、油箱油温序列、液压泵噪声的声音信号和当前使用时长进行数字数据处理,并利用计算机进行辅助设计和处理,从而得到数字数据处理后的结果,根据数字数据处理的结果,能够准确地预测出液压泵滤油器的清洗时间。
本发明通过处理获取的液压泵滤油器的各相关数据,确定液压泵滤油器的堵塞程度和当前使用时长,进而预测液压泵滤油器的清洗时间,该方法通过计算机辅助处理液压泵滤油器的状态数据,不但减少了人力资源的浪费,而且提高了预测液压泵滤油器清洗时间的准确性。本发明可用于大数据资源服务、数据库和云数据库服务等互联网数据服务,配置为相关的云计算软件、云端融合应用运行支撑平台软件等,比如与液压泵滤油器数据处理相关的云计算软件、云端融合应用运行支撑平台软件。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一种基于计算机辅助的液压泵滤油器清洗时间预测方法的流程图;
图2为本发明的实施例中的构建并训练液压泵滤油器清洗时间预测网络的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种基于计算机辅助的液压泵滤油器清洗时间预测方法,如图1所示,该方法包括以下步骤:
(1)获取待检测的液压泵滤油器在过去的设定时间段内的滤油速率序列、油箱油温序列、液压泵噪声的声音信号以及待检测的液压泵滤油器的当前使用时长。
(1-1)本实施例为了确定待检测的液压泵滤油器的滤油性能,需要获取一组滤油速率数据。在待检测的液压泵滤油器上安装液体流量计,通过液体流量计得到设定时间段内的每个时刻的滤油速率,本实施例将设定时间段设置为10s,采样频率为5Hz,即每0.2s采集一次滤油速率。
(1-2)本实施例在液压泵油箱内安装温度传感器,通过温度传感器采集设定时间段内的每个时刻的油箱油温,本实施例将设定时间段设置为10s,采样频率为5Hz,即每0.2s采集一次油箱油温。至此,本实施例得到了待检测的液压泵滤油器在过去的设定时间段内的油箱油温序列,将油箱油温序列记为。
需要说明的是,当待检测的液压泵滤油器的油箱油温比较低时,液压泵油箱内的油液的粘稠程度会比较高,其可能会导致滤油速率降低,进而增大待检测的液压泵滤油器发生堵塞的可能性。
(1-3)本实施例在待检测的液压泵上安装MEMS(Micro-Electro MechanicalSystem,微型电子机械系统)麦克风传感器,通过MEMS麦克风传感器采集待检测的液压泵在运作时的声音信号,这里的声音信号是指声波段,并且采集声音信号是以录音的方式进行,具体的采样频率由实施者自行设定,但是要求不能低于8Hz。本实施例将设定时间段设置为10s,并将液压泵噪声的声音信号记为Voice。至此,得到了待检测的液压泵滤油器在过去的设定时间段内的液压泵噪声的声音信号Voice。
需要说明的是,当液压泵滤油器发生堵塞时,液压泵会出现供油不足的现象,从而形成吸空现象,发出噪声。这里的吸空现象是造成液压泵噪声过高的主要原因之一,形成吸空现象的过程为:油液中混入空气后,容易在液压泵油箱的高压区形成气穴现象,并以压力波的形式传播,造成油液振荡,导致液压泵内产生气蚀噪声。因此,通过采集液压泵噪声的声音信号,可以确定待检测的液压泵滤油器的堵塞状况。本实施例在采集液压泵噪声的声音信号时,默认待检测的液压泵的其他元器件的状态良好,也就是不考虑其他因素对采集的声音信号的影响。
(1-4)本实施例从待检测的液压泵滤油器的上一次更换后的时间开始计算,从而得到待检测的液压泵滤油器的当前使用时长,本实施例中的待检测的液压泵滤油器的当前使用时长为最新的使用时长,也就是该使用时长是从设定时间段的最后一个时刻开始计算,本实施例将其记为,当前使用时长的单位为小时。
需要说明的是,待检测的液压泵滤油器的当前使用时长会对各传感器所采集的这些数据的可信程度产生影响,这些数据包括:滤油速率序列、油箱油温序列以及液压泵噪声的声音信号。待检测的液压泵滤油器的使用时长越久,传感器所采集的这些数据的可信程度就会越差。
根据步骤(1-1)-步骤(1-4)可知,本实施例得到了待检测的液压泵滤油器在过去的设定时间段内的滤油速率序列、油箱油温序列、液压泵噪声的声音信号Voice以及待检测的液压泵滤油器的当前使用时长。另外,需要说明的是,本实施例中的设定时间段是在计算当前使用时长前设置的。
(2)根据待检测的液压泵滤油器在设定时间段内的油箱油温序列和液压泵噪声的声音信号,确定待检测的液压泵滤油器的工况指标值,其步骤包括:
(2-1)根据待检测的液压泵滤油器在设定时间段内的油箱油温序列,确定待检测的液压泵滤油器的油箱油温差异值。
在本实施例中,对待检测的液压泵滤油器在设定时间段内的油箱油温序列进行预处理,从而确定待检测的液压泵滤油器在设定时间段内的油箱油温序列与运作正常时液压泵滤油器在设定时间段内的油箱油温序列的差异,这里的运作正常时的液压泵滤油器的型号和待检测的液压泵滤油器的型号保持一致,也就是确定待检测的液压泵滤油器的油箱油温差异值,其计算公式如下:
其中,p为待检测的液压泵滤油器的油箱油温差异值,为待检测的液压泵滤油器在设定时间段内的油箱油温序列中第i个时刻的油箱油温,为运作正常时液压泵滤油器在设定时间段内的油箱油温序列中第i个时刻的油箱油温,的数值范围为15℃ ~ 65℃,I为待检测的液压泵滤油器在设定时间段内的油箱油温序列中的油箱油温的个数,为修正系数,该修正系数可以将数值大小的范围限定在[0,1],即。
需要说明的是,为了便于后续计算待检测的液压泵滤油器的工况指标值,本实施利用双曲线正切函数对待检测的液压泵滤油器的油箱油温差异值进行归一化处理,其计算公式如下:
(2-2)根据待检测的液压泵滤油器在设定时间段内的液压泵噪声的声音信号,确定待检测的液压泵滤油器在设定时间段内的液压泵噪声的频域信号。
在本实施例中,根据待检测的液压泵滤油器在设定时间段内的液压泵噪声的声音信号Voice,通过快速傅里叶变化,将设定时间段内的液压泵噪声的声音信号转化成频域信号,即设定时间段内的每个时刻都会对应一个频域信号,将设定时间段内的液压泵噪声的频域信号记为。通过快速傅里叶变化确定频域信号的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(2-3)根据待检测的液压泵滤油器的油箱油温差异值、在设定时间段内的油箱油温序列、液压泵噪声的声音信号和液压泵噪声的频域信号,确定待检测的液压泵滤油器的工况指标值。
首先,需要说明的是,当液压泵滤油器发生堵塞时,液压泵滤油器的滤油状态会不稳定,从而生成气穴,发出异常的声音信号,该异常的声音信号为液压泵噪声的声音信号和液压泵噪声的频域信号,所以当液压泵滤油器发出异常的声音信号时,液压泵滤油器可能会发生堵塞。
另外,本实施例也考虑到了液压泵的油箱油温会对液压泵噪声的声音信号产生较大的影响,当液压泵的油箱油温低于标准油温时,液压泵油箱内的液油的黏度会偏低,导致液压泵的输油压力不足,进而增大液压泵噪声的声音信号的波动,当液压泵的油箱油温高于标准油温时,液压泵会异常发热,导致液压泵产生其他噪声的声音信号。
因此,本实施例通过待检测的液压泵滤油器的油箱油温差异值、在设定时间段内的油箱油温序列、液压泵噪声的声音信号和液压泵噪声的频域信号,可以确定待检测的液压泵滤油器的工况指标值。
在本实施例中,根据待检测的液压泵滤油器的油箱油温差异值P、在设定时间段内的油箱油温序列、液压泵噪声的声音信号Voice和液压泵噪声的频域信号,将待检测的液压泵滤油器的液压泵噪声的声音信号与运作正常时的液压泵滤油器的液压泵噪声的声音信号进行对比,也就是计算待检测的液压泵滤油器的工况指标值,工况指标值是指待检测的液压泵滤油器的堵塞现状,其计算公式为:
其中,R为待检测的液压泵滤油器的工况指标值,为待检测的液压泵滤油器在设定时间段内的液压泵噪声的频域信号构成的序列,为运作正常时液压泵滤油器在设定时间段内的液压泵噪声的频域信号构成的序列,为待检测的液压泵滤油器在设定时间段内的液压泵噪声的声音信号,为运作正常时液压泵滤油器在设定时间段内的液压泵噪声的声音信号,为待检测的液压泵滤油器在设定时间段内的油箱油温序列中第i个时刻的油箱油温,为运作正常时液压泵滤油器在设定时间段内的油箱油温序列中第i个时刻的油箱油温,为归一化后的待检测的液压泵滤油器的油箱油温差异值,也就是待检测的液压泵滤油器的油箱油温的合适程度,I为待检测的液压泵滤油器在设定时间段内的油箱油温序列中的油箱油温的个数,为求均值函数,为余弦相似度函数,为动态时间规整函数。
由此,基于待检测的液压泵滤油器的液压泵噪声的声音信号、液压泵滤油器的油箱油温差异值以及在设定时间段内的油箱油温序列,可以得到待检测的液压泵滤油器的工况指标值。需要说明的是,若和的余弦相似度越大,和的差异距离越小,待检测的液压泵滤油器的油箱油温的合适程度越高,则待检测的液压泵滤油器的工况指标值R越大,也就是待检测的液压泵滤油器越发生堵塞的可能性越小。
(3)根据待检测的液压泵滤油器的工况指标值和在设定时间段内的滤油速率序列,确定待检测的液压泵滤油器的堵塞程度,其步骤包括:
(3-1)根据待检测的液压泵滤油器在设定时间段内的滤油速率序列,确定待检测的液压泵滤油器的滤油稳定性指标值。
其中,Q为待检测的液压泵滤油器的滤油稳定性指标值,为待检测的液压泵滤油器在设定时间段内的滤油速率序列中的第i-1个滤油速率,为待检测的液压泵滤油器在设定时间段内的滤油速率序列中的第i个滤油速率,I为待检测的液压泵滤油器在设定时间段内的滤油速率序列中的滤油速率的个数,为绝对值函数。
需要说明的是,当滤油速率序列中的相邻的两个滤油速率相同时,的值为1,当滤油速率序列中的相邻的两个滤油速率不相同时,的值小于1,当待检测的液压泵滤油器的滤油稳定性指标值Q趋于1时,则说明待检测的液压泵滤油器的滤油状态比较稳定。
(3-2)根据待检测的液压泵滤油器在设定时间段内的滤油速率序列、待检测的液压泵滤油器的滤油稳定性指标值和工况指标值,确定待检测的液压泵滤油器的堵塞程度。
在本实施例中,当待检测的液压泵滤油器的滤油速率降低到一定程度时,其堵塞程度会增大。根据步骤(1-1)得到的待检测的液压泵滤油器在设定时间段内的滤油速率序列、步骤(3-1)得到的待检测的液压泵滤油器的滤油稳定性指标值Q以及步骤(2-3)得到的待检测的液压泵滤油器的工况指标值R,计算待检测的液压泵滤油器的堵塞程度,其计算公式如下:
其中,U为待检测的液压泵滤油器的堵塞程度,为待检测的液压泵滤油器在设定时间段内的滤油速率序列,为运作正常时液压泵滤油器在设定时间段内的滤油速率序列,Q为待检测的液压泵滤油器的滤油稳定性指标值,R为待检测的液压泵滤油器的工况指标值,为动态时间规整函数,为双曲线正切函数,为求均值函数,k为修正系数,。
需要说明的是,待检测的液压泵滤油器的滤油稳定性指标值Q越大,待检测的液压泵滤油器的工况指标值R越大,待检测的液压泵滤油器的堵塞程度U越不严重,例如,当待检测的液压泵滤油器的堵塞程度U大于0.7时,说明液压泵滤油器的堵塞程度比较高,此时需要对该液压泵滤油器进行清洗。
(4)根据预先构建并训练好的液压泵滤油器清洗时间预测网络、待检测的液压泵滤油器的堵塞程度和当前使用时长,确定下一次清洗待检测的液压泵滤油器的时间。
在本实施例中,将步骤(3-2)得到的待检测的液压泵滤油器的堵塞程度U和步骤(1-4)得到的当前使用时长作为输入数据,输入到预先构建并训练好的液压泵滤油器清洗时间预测网络,输出下一次清洗待检测的液压泵滤油器的时间,也就是得到了相较于待检测的液压泵滤油器的当前使用时长的下一次清洗待检测的液压泵滤油器的时间,例如,在待检测的液压泵滤油器的当前使用时间的30分钟后需要进行清洗。
在确定下一次清洗待检测的液压泵滤油器的时间的时候,液压泵滤油器清洗时间预测网络起到了关键的作用,那么构建并训练液压泵滤油器清洗时间预测网络的步骤相对于本实施例来讲较为重要,构建并训练液压泵滤油器清洗时间预测网络的流程图如图2所示,其步骤包括:
(4-1)首先,构建液压泵滤油器清洗时间预测网络,根据构建的液压泵滤油器清洗时间预测网络,可确定该液压泵滤油器清洗时间预测网络的损失函数,该损失函数为均方差损失函数。
(4-2)参考步骤(1)获取待检测的液压泵滤油器在过去的设定时间段内的滤油速率序列、油箱油温序列、液压泵噪声的声音信号以及待检测的液压泵滤油器的当前使用时长的过程,可以得到液压泵滤油器在历史工作过程中的N个过去的设定时间段内的滤油速率序列、油箱油温序列、液压泵噪声的声音信号以及N个设定时间段对应的液压泵滤油器的当前使用时长和下一次清洗液压泵滤油器的时间。
(4-3)参考步骤(2)确定待检测的液压泵滤油器的工况指标值的过程,并根据液压泵滤油器在历史工作过程中的N个设定时间段内的滤油速率序列以及液压泵噪声的声音信号,可以确定N个设定时间段对应的液压泵滤油器的工况指标值。
(4-4)参考步骤(3)确定待检测的液压泵滤油器的堵塞程度的过程,并根据液压泵滤油器在历史工作过程中的N个设定时间段对应的液压泵滤油器的工况指标值以及N个设定时间段内的滤油速率序列,可以确定N个设定时间段对应的液压泵滤油器的堵塞程度。
(4-5)本实施例将N个设定时间段对应的液压泵滤油器的堵塞程度和当前使用时长作为液压泵滤油器清洗时间预测网络的训练样本,并将N个设定时间段对应的下一次清洗液压泵滤油器的时间作为对应训练样本的标签数据。
(4-6)根据N个设定时间段对应的液压泵滤油器的油箱油温差异值、滤油稳定性指标值和当前使用时长,确定液压泵滤油器清洗时间预测网络的N个训练样本对应的可信程度指标值,并根据液压泵滤油器清洗时间预测网络的N个训练样本对应的可信程度指标值,对液压泵滤油器清洗时间预测网络的损失函数进行更新,其步骤包括:
(4-6-1)根据N个设定时间段对应的液压泵滤油器的油箱油温差异值、滤油稳定性指标值和当前使用时长,确定液压泵滤油器清洗时间预测网络的N个训练样本对应的可信程度指标值,其计算公式为:
其中,C为液压泵滤油器清洗时间预测网络的每个训练样本对应的可信程度指标值,P为每个训练样本对应的归一化后的液压泵滤油器的油箱油温差异值,Q为每个训练样本对应的液压泵滤油器的滤油稳定性指标值,为每个训练样本对应的液压泵滤油器的滤油速率序列,为每个训练样本对应的运作正常时液压泵滤油器的滤油速率序列,为每个训练样本对应的液压泵滤油器的当前使用时长,为时间系数,为求均值函数。
需要说明的是,每个训练样本对应的液压泵滤油器的油箱油温差异值越大,该油箱油温差异值对应的训练样本越可靠,每个训练样本对应的液压泵滤油器的滤油稳定性指标值越大,该滤油稳定性指标值对应的训练样本越可靠,每个训练样本越可靠,对于后续的液压泵滤油器清洗时间预测网络的准确性越高。
(4-6-2)根据液压泵滤油器清洗时间预测网络的N个训练样本对应的可信程度指标值,对液压泵滤油器清洗时间预测网络的损失函数进行更新,其更新的计算公式如下:
(4-7)根据液压泵滤油器清洗时间预测网络的N个训练样本以及更新后的液压泵滤油器清洗时间预测网络的损失函数,对液压泵滤油器清洗时间预测网络进行训练,从而得到训练好的液压泵滤油器清洗时间预测网络。对液压泵滤油器清洗时间预测网络进行训练的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
本发明通过利用计算机对获取的液压泵滤油器状态的相关数据进行辅助设计和处理,确定液压泵滤油器的工况指标值,进而确定液压泵滤油器的堵塞程度,根据液压泵滤油器的堵塞程度和当前使用时长、预先构建并训练好的液压泵滤油器清洗时间预测网络,得到下一次清洗待检测的液压泵滤油器的时间,该方法提高了下一次清洗液压泵滤油器时间的准确性,并且本发明可用于大数据资源服务、数据库和云数据库服务等互联网数据服务。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (6)
1.一种基于计算机辅助的液压泵滤油器清洗时间预测方法,其特征在于,包括以下步骤:
获取待检测的液压泵滤油器在过去的设定时间段内的滤油速率序列、油箱油温序列、液压泵噪声的声音信号以及待检测的液压泵滤油器的当前使用时长;
根据待检测的液压泵滤油器在设定时间段内的油箱油温序列,确定待检测的液压泵滤油器的油箱油温差异值;
根据待检测的液压泵滤油器在设定时间段内的液压泵噪声的声音信号,确定待检测的液压泵滤油器在设定时间段内的液压泵噪声的频域信号;
根据待检测的液压泵滤油器的油箱油温差异值、在设定时间段内的油箱油温序列、液压泵噪声的声音信号和液压泵噪声的频域信号,确定待检测的液压泵滤油器的工况指标值,其计算公式为:
其中,为待检测的液压泵滤油器的工况指标值,为待检测的液压泵滤油器在设定时间段内的液压泵噪声的频域信号构成的序列,为运作正常时液压泵滤油器在设定时间段内的液压泵噪声的频域信号构成的序列,为待检测的液压泵滤油器在设定时间段内的液压泵噪声的声音信号,为运作正常时液压泵滤油器在设定时间段内的液压泵噪声的声音信号,为待检测的液压泵滤油器在设定时间段内的油箱油温序列中第i个时刻的油箱油温,为运作正常时液压泵滤油器在设定时间段内的油箱油温序列中第i个时刻的油箱油温,为归一化后的待检测的液压泵滤油器的油箱油温差异值,I为待检测的液压泵滤油器在设定时间段内的油箱油温序列中的油箱油温的个数,为求均值函数,为余弦相似度函数,为动态时间规整函数;
根据待检测的液压泵滤油器的工况指标值和在设定时间段内的滤油速率序列,确定待检测的液压泵滤油器的堵塞程度;
构建液压泵滤油器清洗时间预测网络,并确定该液压泵滤油器清洗时间预测网络的损失函数;
获取液压泵滤油器在历史工作过程中的N个过去的设定时间段内的滤油速率序列、油箱油温序列、液压泵噪声的声音信号以及N个设定时间段对应的液压泵滤油器的当前使用时长和下一次清洗液压泵滤油器的时间;
根据液压泵滤油器在历史工作过程中的N个设定时间段内的滤油速率序列以及液压泵噪声的声音信号,确定N个设定时间段对应的液压泵滤油器的工况指标值;
根据液压泵滤油器在历史工作过程中的N个设定时间段对应的液压泵滤油器的工况指标值以及N个设定时间段内的滤油速率序列,确定N个设定时间段对应的液压泵滤油器的堵塞程度;
将N个设定时间段对应的液压泵滤油器的堵塞程度和当前使用时长作为液压泵滤油器清洗时间预测网络的训练样本,并将N个设定时间段对应的下一次清洗液压泵滤油器的时间作为对应训练样本的标签数据;
根据N个设定时间段对应的液压泵滤油器的油箱油温差异值、滤油稳定性指标值和当前使用时长,确定液压泵滤油器清洗时间预测网络的N个训练样本对应的可信程度指标值,并根据液压泵滤油器清洗时间预测网络的N个训练样本对应的可信程度指标值,对液压泵滤油器清洗时间预测网络的损失函数进行更新;
根据液压泵滤油器清洗时间预测网络的N个训练样本以及更新后的液压泵滤油器清洗时间预测网络的损失函数,对液压泵滤油器清洗时间预测网络进行训练,从而得到训练好的液压泵滤油器清洗时间预测网络;
将待检测的液压泵滤油器的堵塞程度和当前使用时长作为输入数据,输入到预先构建并训练好的液压泵滤油器清洗时间预测网络,输出下一次清洗待检测的液压泵滤油器的时间。
3.根据权利要求1所述的一种基于计算机辅助的液压泵滤油器清洗时间预测方法,其特征在于,确定待检测的液压泵滤油器的堵塞程度的步骤包括:
根据待检测的液压泵滤油器在设定时间段内的滤油速率序列,确定待检测的液压泵滤油器的滤油稳定性指标值;
根据待检测的液压泵滤油器在设定时间段内的滤油速率序列、待检测的液压泵滤油器的滤油稳定性指标值和工况指标值,确定待检测的液压泵滤油器的堵塞程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856159.8A CN114936722B (zh) | 2022-07-21 | 2022-07-21 | 基于计算机辅助的液压泵滤油器清洗时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856159.8A CN114936722B (zh) | 2022-07-21 | 2022-07-21 | 基于计算机辅助的液压泵滤油器清洗时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114936722A CN114936722A (zh) | 2022-08-23 |
CN114936722B true CN114936722B (zh) | 2022-10-04 |
Family
ID=82868587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210856159.8A Active CN114936722B (zh) | 2022-07-21 | 2022-07-21 | 基于计算机辅助的液压泵滤油器清洗时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936722B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116658413B (zh) * | 2023-08-01 | 2023-10-03 | 山东鑫亚格林鲍尔燃油系统有限公司 | 一种液压泵故障检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580852A (zh) * | 2022-01-30 | 2022-06-03 | 江苏苏华泵业有限公司 | 基于工业大数据的水泵挡水板清理实时提醒系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN208216925U (zh) * | 2018-05-22 | 2018-12-11 | 大连海事大学 | 船舶滤器智能监测仪 |
CN114321062B (zh) * | 2021-12-24 | 2023-07-14 | 浙江华章科技有限公司 | 一种油站液压站压力预测及维保系统 |
-
2022
- 2022-07-21 CN CN202210856159.8A patent/CN114936722B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580852A (zh) * | 2022-01-30 | 2022-06-03 | 江苏苏华泵业有限公司 | 基于工业大数据的水泵挡水板清理实时提醒系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114936722A (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114936722B (zh) | 基于计算机辅助的液压泵滤油器清洗时间预测方法 | |
JP2019082157A (ja) | 検知装置、検知方法、およびプログラム | |
WO2019200624A1 (zh) | 一种泵流动诱导振动性能综合评价方法 | |
CN117029968A (zh) | 一种流量数据的诊断方法、系统、存储介质和电子设备 | |
CN110308339B (zh) | 基于证据推理规则的变频器直流母线电容故障诊断法 | |
CN110928248B (zh) | 一种确定燃气轮机性能劣化程度的方法 | |
CN113847107A (zh) | 燃气轮机压气机叶片积垢状态监测方法及装置 | |
CN116448219B (zh) | 油位异常检测方法、装置、设备及计算机可读存储介质 | |
CN116877452B (zh) | 基于物联网数据的非变容式水泵运行状态监控系统 | |
CN113503289A (zh) | 一种液压马达故障检测方法、装置、系统及挖掘机 | |
CN110083962B (zh) | 一种离心泵主轴运行寿命的预测方法及预测系统 | |
CN112212223A (zh) | 排水管网调蓄容积及渗漏量的计算方法及其相关设备 | |
CN115391148A (zh) | 异常检测方法和装置 | |
US11454243B2 (en) | Artificial intelligence training method for a target model based on the label matrix | |
TWI801676B (zh) | 機器評價裝置,機器評價方法及程式產品 | |
CN112664177B (zh) | 一种基于归一化卷积与自适应滤波的油井动液面测量方法 | |
CN112610330B (zh) | 一种内燃机运行状态的监测及分析系统和方法 | |
CN114673614B (zh) | 空滤的工作状态的确定方法、确定装置和车辆 | |
CN117875049A (zh) | 一种燃气轮机进气滤网反吹时刻的确定方法、装置及设备 | |
CN117670260B (zh) | 一种基于数据分析的井下钻井仪器使用周期管理系统 | |
CN111858263B (zh) | 一种基于日志分析的故障预测方法、系统及装置 | |
CN117846980B (zh) | 一种污水污物潜水电泵的故障诊断方法及系统 | |
CN116340299A (zh) | 一种能耗数据的处理方法及系统 | |
CN111189502B (zh) | 用水量监控装置和用水量监控方法 | |
CN118242285A (zh) | 基于压力脉动强度的离心泵过流部件诊断系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |